論文の概要: EPPAC: Entity Pre-typing Relation Classification with Prompt AnswerCentralizing

• arxiv url: http://arxiv.org/abs/2203.00193v1
• Date: Tue, 1 Mar 2022 02:49:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 12:58:37.679009
• Title: EPPAC: Entity Pre-typing Relation Classification with Prompt AnswerCentralizing
• Title（参考訳）: EPPAC: Prompt AnswerCentralization を用いたエンティティ前タイピング関係分類
• Authors: Jiejun Tan, Wenbin Hu, WeiWei Liu
• Abstract要約: EPPACのエンティティプリタイリングは、RCの前にエンティティをプリタイプするダブルレベルフレームワークを使用して、最初の問題に対処するために提示される。 提案手法はTACREDとTACREVをそれぞれ14.4%, 11.1%向上させた。
• 参考スコア（独自算出の注目度）: 19.837117107569966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation classification (RC) aims to predict the relationship between a pair of subject and object in a given context. Recently, prompt tuning approaches have achieved high performance in RC. However, existing prompt tuning approaches have the following issues: (1) numerous categories decrease RC performance; (2) manually designed prompts require intensive labor. To address these issues, a novel paradigm, Entity Pre-typing Relation Classification with Prompt Answer Centralizing(EPPAC) is proposed in this paper. The entity pre-tying in EPPAC is presented to address the first issue using a double-level framework that pre-types entities before RC and prompt answer centralizing is proposed to address the second issue. Extensive experiments show that our proposed EPPAC outperformed state-of-the-art approaches on TACRED and TACREV by 14.4% and 11.1%, respectively. The code is provided in the Supplementary Materials.
• Abstract（参考訳）: 関係分類(RC)は、与えられた文脈における対象と対象のペアの関係を予測することを目的としている。 近年,高速チューニング手法はRCにおいて高い性能を達成している。 しかし、既存のプロンプトチューニング手法には、(1)多数のカテゴリがRC性能を低下させ、(2)手動で設計したプロンプトは集中労働を必要とする。 これらの課題に対処するため,本論文では,Prompt Answer Centralizing (EPPAC)を用いたEntity Pre-typing Relation Classificationを提案する。 eppacのエンティティプリタイティング(entity pre-tying)は、rcの前にエンティティをプリタイプするダブルレベルフレームワークを使用して、最初の問題に対処するために提示される。 広範な実験により,提案するeppacは,tacredとtacrevの最先端アプローチをそれぞれ14.4%,11.1%上回った。 コードは補足資料に記載されている。

関連論文リスト

• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• Coherent Entity Disambiguation via Modeling Topic and Categorical Dependency [87.16283281290053]
  従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。 本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。 我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-11-06T16:40:13Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• Supporting Vision-Language Model Inference with Confounder-pruning Knowledge Prompt [71.77504700496004]
  視覚言語モデルは、オープンセットの視覚概念を扱うために、画像とテキストのペアを共通の空間に整列させることで事前訓練される。 事前訓練されたモデルの転送可能性を高めるため、最近の研究では、固定または学習可能なプロンプトが採用されている。 しかし、どのようにして、どのプロンプトが推論性能を改善するのかは、まだ不明である。
  論文  参考訳（メタデータ） (2022-05-23T07:51:15Z)
• Relation Classification as Two-way Span-Prediction [44.985105904947815]
  現在の教師付き関係分類(RC)タスクは、一対のエンティティ間の関係を表現するために単一の埋め込みを使用する。 我々は、RCタスクを質問応答(QA)と同様、スパンプレディション(SP)問題として扱うのがよりよいアプローチであると論じる。 本稿では,RCのスパンディディションに基づくシステムを提案し,その性能を埋め込み型システムと比較して評価する。
  論文  参考訳（メタデータ） (2020-10-09T22:23:21Z)
• Tradeoffs in Sentence Selection Techniques for Open-Domain Question Answering [54.541952928070344]
  文選択のためのモデルの2つのグループについて述べる。QAベースのアプローチは、解答候補を特定するための完全なQAシステムを実行し、検索ベースのモデルは、各質問に特に関連する各節の一部を見つける。 非常に軽量なQAモデルは、このタスクではうまく機能するが、検索ベースモデルは高速である。
  論文  参考訳（メタデータ） (2020-09-18T23:39:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。